前言:
本文基于李航的《学习统计方法》而书写~
基本分类:
1.监督学习:
概念:从标注数据中学习预测模型的机器学习问题
本质:学习输入到输出的映射的统计规律
2.无监督学习:
概念:从无标注数据中学习预测模型的机器学习问题
本质:学习数据中的统计规律或者潜在结构
3.强化学习:
概念:智能系统在与环境的连续互动中学习最优行为策略的机器学习问题
4.半监督学习:
概念:利用标注数据和未标注数据学习预测模型的机器学习问题
特点:少标注,多未标注。以未标注辅助标注进行监督学习
5.主动学习:
概念:机器主动给出数据让操作者标注与利用标注数据学习的循环
特点:主动给定数据进行标注,减少标注代价达到学习效果
模型分类:
概率模型 | 非概率模型 | 参数化模型 | 非参数化模型 | 线性模型 | 非线性模型 | |
决策树 | √ | ⭕ | ||||
朴素贝叶斯 | √ | √ | ||||
隐马尔可夫模型 | √ | |||||
感知机 | ⭕ | √ | √ | |||
支持向量机 | ⭕ | ⭕ | √ | ⭕(核函数支持向量机) | ||
k近邻 | ⭕ | ⭕ | √ | |||
k均值 | ⭕ | √ | √ | |||
AdaBoost | ⭕ | ⭕ | ⭕ | |||
条件随机场 | √ | |||||
概率潜在语义分析 | √ | √ | √ | |||
潜在语义分析 | ⭕ | √ | √ | |||
潜在狄利克雷分配 | √ | √ | ||||
高斯混合模型 | √ | √ | ||||
神经网络 | ⭕ | ⭕ | ||||
逻辑斯谛回归 | √ | ⭕ | √ |
结语:
因为目前学到的知识比较少,所以都是概念性的东西,之后深度到了以后会将每一个知识点的具体表述以超链接的形式弄上去